Robotique et IA : pourquoi les robots tardent
Les progrès de l’IA impressionnent, mais les robots restent loin de l’autonomie. Comprenez les obstacles, les pistes de recherche et les délais réalistes.
Robots et intelligence artificielle : pourquoi la révolution attendra
Les vidéos de robots qui dansent, plient du linge ou servent des boissons donnent l'impression que les machines humanoïdes arrivent bientôt chez nous. Et les discours des dirigeants de la tech n'aident pas : ils annoncent des robots capables de faire, presque, « tout comme les humains » - bientôt, en plus, pour un prix jugé raisonnable. Sauf qu'une démonstration réussie ne veut pas dire qu'une machine sait travailler de façon autonome, fiable et répétée.
La robotique progresse, oui. Des modèles d'intelligence artificielle permettent déjà à des bras mécaniques d'exécuter des tâches plus variées qu'il y a quelques années. Mais le fossé reste énorme entre réussir une manipulation en laboratoire et s'en sortir quand l'environnement change. Un robot doit percevoir le monde physique, anticiper ce qui se passe quand il bouge, et éviter les erreurs. Et il doit le faire sans qu'on le supervise, avec un taux de réussite assez élevé pour que quelqu'un en tire un vrai bénéfice.
Voici où en sont les robots pilotés par l'IA, pourquoi les modèles actuels ont du mal avec la généralisation, et quelles pistes de recherche pourraient faire bouger les lignes. Le sujet n'est pas « est-ce que les humanoïdes existent ? », mais plutôt : dans quelles conditions est-ce qu'ils peuvent rendre un service concret.
Des progrès réels, mais loin du robot généraliste
Le progrès récent vient en partie d'un changement de méthode. Pendant longtemps, les ingénieurs programmaient les robots avec des règles très précises : pour chaque tâche, le logiciel définissait les mouvements à faire et ce qu'il fallait obtenir en retour. Ça peut marcher quand tout est parfaitement contrôlé. Mais dès que l'objet change un peu de place, qu'un geste est légèrement différent ou qu'un imprévu apparaît, l'approche devient fragile.
Les modèles d'IA apportent autre chose : la capacité d'exploiter des exemples pour comprendre une scène et choisir une action. Les modèles vision-langage (VLM) relient des images à des instructions écrites. Par exemple, ils peuvent repérer un chiffon près d'une tache de café. Les modèles vision-langage-action (VLA) vont plus loin : ils ajoutent la partie « bouger ». Le système observe la scène, identifie l'objet concerné, puis pilote le robot pour agir.
Des bras mécaniques comme banc d'essai
Un bon exemple, c'est ALOHA 2 : un dispositif de recherche avec deux bras, des pinces et des caméras. Ce n'est pas un assistant humanoïde comme dans un film. Mais justement, il sert à tester des modèles avancés, dont Gemini Robotics, sur des tâches de manipulation.
Avec des exemples d'entraînement, le système peut préparer une boîte-repas : placer du pain dans un sachet, ranger des raisins dans une boîte, puis transférer le tout dans une lunchbox. Ce n'est ni rapide, ni « élégant ». En revanche, la machine enchaîne plusieurs gestes coordonnés - et c'est déjà un pas par rapport aux approches robotiques entièrement codées à la main.
Les données d'entraînement viennent souvent de la téléopération : une personne pilote le robot à distance, et les mouvements enregistrés servent d'exemples au modèle. Celui-ci apprend alors à associer une situation visuelle, une instruction, et une séquence d'actions.
Réussir une tâche connue n'est pas généraliser
C'est là que ça se joue. Un robot peut réussir à fermer un ordinateur portable parce qu'il a vu beaucoup de cas proches. Mais ça ne lui dit pas automatiquement quoi faire devant un objet qui n'a pas exactement la même forme, ou un mécanisme légèrement différent. Les modèles actuels savent faire plusieurs tâches, mais leur « répertoire » reste limité par les données vues pendant l'entraînement : quels objets, quelles situations, quels angles, quels contextes.
Pour parler d'un vrai robot généraliste, il faudrait qu'il s'adapte à une gamme beaucoup plus large de demandes, y compris à des combinaisons nouvelles. On est donc loin de la simple répétition d'une démonstration dans des conditions quasi identiques. Du coup, la bonne question n'est pas uniquement « que sait faire ce robot ? », mais aussi : « que se passe-t-il quand l'environnement change ? »
Pour creuser le sujet des modèles et des systèmes d'IA, vous pouvez aussi lire notre analyse des systèmes d'intelligence artificielle. La différence centrale reste la même : interpréter une instruction ne suffit pas sans la partie « agir physiquement » avec de la stabilité.
Le manque de données n'est qu'une partie du problème
L'idée la plus répandue pour améliorer les robots est simple : leur donner plus de données. Sur le papier, c'est logique. Plus un modèle observe des gestes et des contextes, plus il a de chances d'apprendre des régularités. Les grands modèles de langage ont pu profiter de corpus énormes de textes accessibles en ligne. Pour les gestes robotiques dans le monde physique, l'équivalent est beaucoup plus dur à réunir.
Les équipes testent plusieurs sources, mais aucune n'est parfaite :
- La téléopération fournit des exemples précis de gestes, mais mobiliser des opérateurs (et le matériel) coûte du temps et de l'argent.
- Les vidéos de personnes en action sont plus faciles à multiplier, mais elles ne montrent pas forcément les forces, les contacts ou les trajectoires nécessaires pour reproduire le geste avec un robot.
- Les données collectées par des robots en situation réelle sont précieuses, mais les robots ne sont pas fiables à 100 %. Déployer sans garde-fous pose des questions de sécurité, de fiabilité et de coût.
- Les environnements simulés permettent de multiplier les essais, à condition que la simulation reproduise suffisamment bien les contraintes du monde réel.
En pratique, l'approche la plus crédible consiste plutôt à combiner ces sources, pas à espérer trouver « la » solution dans un seul type de données. Et même alors, ajouter des exemples ne garantit pas automatiquement une bonne généralisation.
Chaque environnement ajoute des variables
Prenons un café. Les cuisines ne ressemblent pas toutes à la même, tout comme les machines, les tasses, les boutons, et l'agencement des objets. Le café peut être moulu ou en capsule. Le récipient peut être lourd, fragile, ou déjà rempli. Une personne s'adapte en s'appuyant sur une intuition physique et sur des habitudes. Un robot doit, lui, apprendre à repérer les différences et ajuster ses gestes.
Le problème, c'est que « tout couvrir » en multipliant les données devient vite impossible : les combinaisons sont trop nombreuses, et certaines ne se présenteront qu'une seule fois. Un modèle peut donner l'impression de bien faire dans un ensemble de cas proches, puis se dégrader hors de ce contexte. Il peut aussi trop dépendre d'un détail récurrent dans ses données.
C'est pour ça que plusieurs chercheurs doutent que les techniques qui ont marché pour les modèles de langage suffisent seules pour la robotique. Le monde physique produit des signaux continus, bruités, et très dépendants du contexte. Comprendre une phrase et déplacer un objet en appliquant la bonne force, ce n'est pas le même problème.
Pour les entreprises, ça se traduit en clair : il faut mesurer les performances dans le contexte réel, pas seulement sur une vidéo de démonstration. Une installation fixe et répétitive peut convenir. Une maison, elle, change tout le temps : pièces différentes, objets différents, tâches rarement définies de façon précise. Pour aller plus loin, notre guide sur la robotique en entreprise aide à distinguer automatisation ciblée et promesse de « robot polyvalent ».
Les modèles du monde, une piste prometteuse encore jeune
Une autre voie consiste à donner aux systèmes une représentation interne de ce qui se passe dans le monde physique. Ces modèles du monde sont entraînés à partir de vidéos, de données de capteurs et de représentations en trois dimensions. Leur but est de prédire ce qui pourrait arriver si le robot effectue une action : l'objet va-t-il glisser, tomber, entrer en collision, se déformer ?
Au lieu de réagir uniquement à ce qu'il voit, un robot avec un modèle du monde peut estimer les conséquences probables d'un geste avant de l'exécuter. Ça peut aider à planifier une séquence d'actions et à éviter certaines erreurs. Et ça pourrait réduire le besoin d'essais coûteux directement sur le matériel.
La simulation est souvent au cœur de cette approche. Si elle reproduit correctement la physique, elle permet de tester des milliers de scénarios sans exposer une personne à un robot maladroit, ni abîmer des équipements. Mais le réalisme est justement la difficulté : une simulation utile doit représenter correctement les contacts, les textures, les poids, et des comportements parfois imprévisibles.
Une généralisation encore difficile à mesurer
Une expérience menée par Physical Intelligence montre à la fois le potentiel et les limites de cette piste. Son modèle π0.7 utilise une forme de modèle du monde capable de générer des images des étapes à suivre. Dans une démonstration, un robot devait mettre une patate douce dans une friteuse à air qu'il n'avait pas vue exactement comme ça pendant l'entraînement. Il a hésité, tenté plusieurs gestes, puis il a réalisé une partie de l'opération.
L'équipe a ensuite retrouvé dans les données des exemples proches : notamment des gestes consistant à pousser le panier de la friteuse. Autrement dit, le modèle n'a pas « inventé » la tâche à partir de rien. Il semble plutôt recombiner des éléments déjà observés pour tenter une action nouvelle. C'est ce qu'on appelle la généralisation compositionnelle : assembler des compétences apprises séparément pour répondre à une situation inédite.
C'est intéressant, mais ça ne prouve pas qu'un robot saura improviser de façon fiable à la maison. Une tentative partiellement réussie sur une tâche précise ne dit pas combien d'essais échoueront, ni si le système corrigera ses erreurs quand les objets seront disposés autrement.
Pour l'instant, les modèles du monde restent donc une piste sérieuse, pas une solution prête à être commercialisée. Des entreprises comme Google et Nvidia y travaillent, et l'argent suit. Mais le financement et les annonces ne remplacent pas une validation sur le terrain. Les méthodes « de base » sont encore en cours de définition.
Entre démonstration et usage quotidien, le fossé reste grand
Les vidéos de robots sont souvent montées pour montrer un moment spectaculaire. Elles ne précisent pas toujours si le robot est autonome, si quelqu'un le téléopère, ou si la scène a été répétée jusqu'à obtenir une séquence « propre ». Certaines démonstrations publiques reposent même sur une commande humaine à distance, décrite en coulisses comme un travail de « marionnettiste ».
Ce n'est pas forcément une fraude : la téléopération est un outil utile pour tester du matériel et recueillir des données. Mais ça change ce que la démonstration prouve. Un robot qui exécute une action sous supervision ne prouve pas encore qu'il peut refaire la même chose seul, en sécurité, dans un lieu qu'on ne lui a pas préparé.
La fiabilité est une condition d'usage
Un taux de réussite de 70 % peut sembler encourageant dans un labo. Dans un contexte professionnel où la tâche se répète, ça veut aussi dire un échec sur trois environ. Si un robot doit déplacer des bacs dans un entrepôt, une erreur qui revient peut arrêter une ligne, mettre en danger un salarié, ou forcer un opérateur à intervenir trop souvent.
Voilà pourquoi il faut regarder plusieurs critères :
- le taux de réussite sur un grand nombre d'essais, pas sur une séquence « choisie » ;
- la capacité à récupérer après une erreur sans aide humaine ;
- la sécurité des personnes et des biens autour ;
- le temps d'exécution et le coût de supervision ;
- la robustesse quand les objets ou l'environnement changent.
Dans certains secteurs, un robot spécialisé, qui fait une tâche étroite de manière prévisible, sera plus utile qu'un humanoïde qui « essaie un peu de tout » avec un résultat irrégulier. La forme humaine peut faciliter l'usage d'outils conçus pour les humains, mais elle impose aussi des contraintes de mobilité, d'équilibre et de sécurité. Ressembler à un humain ne garantit pas d'agir comme un humain.
L'usine avant le domicile
Pour l'instant, les déploiements restent concentrés sur des environnements où les tâches sont limitées et plutôt structurées. On teste des humanoïdes en logistique : déplacer des bacs ou des contenants, par exemple. Même là, il a fallu du temps pour atteindre un niveau de sécurité acceptable pour des sites industriels.
La maison, elle, est un tout autre terrain. Les logements ne ressemblent pas à des chaînes de production : les objets bougent, les pièces sont encombrées, et les tâches sont rarement définies avec précision. « Ranger le salon » demande de reconnaître une multitude d'objets, de savoir où chacun doit aller, et de les manipuler correctement. « Préparer le dîner » implique aussi de planifier une suite d'actions, pas juste de prendre un objet donné.
Les premiers robots domestiques annoncés à plusieurs dizaines de milliers d'euros restent donc loin d'un assistant autonome à bas prix. Certains reposent encore sur une intervention humaine à distance pour une grosse partie des opérations. Et cette supervision pose des questions de confidentialité : un opérateur peut avoir accès aux images captées dans le logement. Dans le contexte européen, la collecte et le traitement de ces données doivent aussi être évalués au regard du RGPD.
Le marché évolue aussi à l'échelle mondiale. D'après les chiffres cités dans l'enquête d'origine, près de 90 % des environ 15 000 robots humanoïdes expédiés en 2025 venaient d'entreprises chinoises. Certains modèles sont proposés à moins de 6 000 dollars. Mais un prix bas ne suffit pas à dire qu'ils sont prêts pour un usage domestique autonome. Pour l'instant, les débouchés restent surtout industriels, universitaires, ou liés à des organisations publiques.
Enfin, l'histoire invite à garder les pieds sur terre. Le robot ASIMO de Honda, présenté en 2000, savait monter des marches et se déplacer dans des espaces connus. Il a impressionné le public, mais n'est jamais devenu un outil largement utile. Les robots actuels ont de meilleures capacités d'IA, mais ils doivent toujours résoudre le même problème de fond : fonctionner de façon fiable dans le monde réel.
Conclusion : évaluer les robots par leur utilité
Les progrès récents de l'IA rendent les robots plus capables d'interpréter des instructions et d'enchaîner des gestes. C'est une avancée réelle. Mais on est encore loin d'en faire des travailleurs polyvalents, et encore plus loin d'assistants domestiques autonomes. Les limites des données, la difficulté de prévoir le monde physique et l'exigence de fiabilité restent décisives.
Pour juger une annonce, regardez moins la forme du robot ou la fluidité d'une vidéo, et plus les conditions réelles : quelle tâche est faite, combien de fois sur combien d'essais, avec quelle supervision, et à quel coût. Un robot spécialisé qui tient ses promesses vaut mieux qu'un humanoïde « spectaculaire » mais imprévisible.
Pour suivre ces évolutions avec un regard concret, découvrez aussi nos articles sur les nouvelles technologies et leurs usages et sur l'automatisation des tâches. La vraie question n'est pas de savoir quand chaque foyer aura un robot, mais quelle tâche précise une machine peut exécuter de façon sûre, utile et rentable.